Devido às melhorias contínuas na tecnologia de transporte, as pessoas viajam com mais frequência do que nunca. Embora essa conexão fortalecida entre países distantes traga muitos benefícios, também representa uma séria ameaça ao controle e prevenção de doenças. Quando humanos infectados viajam para regiões que estão livres de seus contágios particulares, eles podem transmitir inadvertidamente suas infecções aos residentes locais e causar surtos de doenças. Este processo ocorreu repetidamente ao longo da história; alguns exemplos recentes incluem o surto de SARS em 2003, a pandemia de influenza H1N1 em 2009, e - mais notavelmente - a pandemia de COVID-19 em andamento.

Os casos importados desafiam a capacidade de países não endêmicos - países onde a doença em questão não ocorre regularmente - de eliminar totalmente o contágio. Quando combinado com fatores adicionais, como mutação genética em patógenos, este problema torna a erradicação global de muitas doenças extremamente difícil, se não impossível. Portanto, reduzir o número de infecções geralmente é uma meta mais viável. Mas para conseguir o controle de uma doença, as agências de saúde devem compreender como as viagens entre regiões distintas afetam sua disseminação.

Em um jornal publicado na terça-feira no SIAM Journal of Applied Mathematics , Daozhou Gao, da Universidade Normal de Xangai, investigou a maneira como a dispersão humana afeta o controle da doença e a extensão total da propagação de uma infecção. Poucos estudos anteriores exploraram o impacto do movimento humano no tamanho da infecção ou prevalência da doença - definida como a proporção de indivíduos em uma população que estão infectados com um patógeno específico - em diferentes regiões. Esta área de pesquisa é especialmente pertinente durante surtos de doenças graves, quando os líderes governantes podem reduzir drasticamente a mobilidade humana fechando fronteiras e restringindo viagens. Durante esses tempos, é essencial compreender como a limitação dos movimentos das pessoas afeta a propagação de doenças.

Para examinar a propagação de doenças em uma população, pesquisadores costumam usar modelos matemáticos que classificam os indivíduos em vários grupos distintos, ou "compartimentos". Em seu estudo, Gao utilizou um tipo particular de modelo compartimental denominado modelo de patch susceptible-infectado-susceptible (SIS). Ele dividiu a população em cada patch - um grupo de pessoas, como uma comunidade, cidade, ou país - em dois compartimentos:pessoas infectadas que atualmente têm a doença designada, e pessoas que são suscetíveis a contraí-lo. A migração humana então conecta os patches. Gao presumiu que as subpopulações suscetíveis e infectadas se espalharam na mesma taxa, o que geralmente é verdadeiro para doenças como o resfriado comum, que geralmente afeta apenas levemente a mobilidade.

Cada patch no modelo SIS de Gao tem um certo risco de infecção que é representado por seu número de reprodução básico (R ₀ ) —A quantidade que prevê quantos casos serão causados ​​pela presença de uma única pessoa contagiosa em uma população suscetível. "Quanto maior o número de reprodução, quanto maior o risco de infecção, "Disse Gao." Portanto, o número de reprodução do patch de um patch de alto risco é considerado maior do que o de um patch de baixo risco. " este número mede apenas o potencial de transmissão inicial; raramente pode prever a verdadeira extensão da infecção.

Gao primeiro usou seu modelo para investigar o efeito do movimento humano no controle da doença, comparando o tamanho total da infecção que resultou quando os indivíduos se dispersaram rapidamente e lentamente. Ele descobriu que se todos os patches se recuperassem na mesma taxa, a grande dispersão resulta em mais infecções do que a pequena dispersão. Surpreendentemente, um aumento na quantidade pela qual as pessoas se espalham pode realmente reduzir R ₀ ao mesmo tempo em que aumenta a quantidade total de infecções.

O modelo de patch SIS também pode ajudar a elucidar como a dispersão afeta a distribuição de infecções e a prevalência da doença em cada patch. Sem difusão entre os patches, um patch de alto risco sempre terá uma maior prevalência de doença, mas Gao se perguntou se o mesmo acontecia quando as pessoas podem viajar de e para aquele trecho de alto risco. O modelo revelou que a difusão pode diminuir o tamanho da infecção no patch de maior risco, uma vez que exporta mais infecções do que importa, mas isso consequentemente aumenta as infecções no patch com o risco mais baixo. Contudo, nunca é possível para o patch de maior risco ter a prevalência de doença mais baixa.

Usando uma simulação numérica baseada no resfriado comum - cujos atributos são bem estudados - Gao investigou mais profundamente o impacto da migração humana no tamanho total de uma infecção. Quando Gao incorporou apenas dois patches, seu modelo exibia uma grande variedade de comportamentos sob diferentes condições ambientais. Por exemplo, a dispersão de humanos muitas vezes leva a um tamanho total de infecção maior do que a ausência de dispersão, mas a rápida dispersão humana em um cenário na verdade reduziu o tamanho da infecção. Sob diferentes condições, a pequena dispersão foi prejudicial, mas a grande dispersão acabou se mostrando benéfica para o gerenciamento de doenças. Gao classifica completamente as combinações de parâmetros matemáticos para os quais a dispersão causa mais infecções quando comparada à falta de dispersão em um ambiente de dois remendos. Contudo, a situação se torna mais complexa se o modelo incorporar mais de dois patches.

Uma investigação mais aprofundada sobre a abordagem de modelagem de patch SIS de Gao pode revelar informações mais diferenciadas sobre as complexidades do impacto das restrições de viagens na disseminação de doenças, que é relevante para situações do mundo real, como o fechamento de fronteiras durante a pandemia COVID-19. "No meu conhecimento, este é possivelmente o primeiro trabalho teórico sobre a influência do movimento humano no número total de infecções e sua distribuição, "Gao disse." Existem várias direções para melhorar e estender o trabalho atual. "Por exemplo, trabalhos futuros poderiam explorar o resultado da proibição de apenas algumas rotas de viagem, como quando os EUA proibiram viagens da China para impedir a disseminação de COVID-19, mas falharam em bloquear a entrada de casos da Europa. A pesquisa contínua sobre esses efeitos complicados pode ajudar as agências de saúde e os governos a desenvolver medidas informadas para controlar doenças perigosas.